gemma-4-12b-it

Google · 11.95B · ctx 256K · apache-2.0 · HuggingFace

gemma-4-12b-it (Google) is a 11.95B parameters open-weight model tracked on AI Hashrate. At 8K context we estimate roughly 9.96 GB VRAM for Q4 (weights 6.57 GB + KV 2.39 GB + 1 GB overhead) and 27.29 GB for FP16. About 42 GPUs/accelerators in our catalog fully fit this model at Q4 under that context assumption. Fastest Q4 configs: B200 192GB SXM ≈ 426.0 tok/s (estimated); MI300X 192GB ≈ 282.2 tok/s (estimated); H200 141GB SXM5 ≈ 255.6 tok/s (estimated); H100 80GB SXM5 ≈ 178.4 tok/s (estimated); Gaudi 3 128GB ≈ 174.5 tok/s (estimated). Use the table below for VRAM fit and tok/s per dollar (list MSRP). Estimates follow memory-bandwidth math; measured rows override when present. See methodology for details. Methodology.

100 hardware configs — sorted by tok/s. Default fit context 8K.

Hardware	VRAM	Quant	tok/s	Fits?	tok/s/$
B200 192GB SXM	192	Q4	426.0 est.	Yes	0.011
MI300X 192GB	192	Q4	282.2 est.	Yes	0.019
H200 141GB SXM5	141	Q4	255.6 est.	Yes	0.007
H100 80GB SXM5	80	Q4	178.4 est.	Yes	0.006
Gaudi 3 128GB	128	Q4	174.5 est.	Yes	0.014
B200 192GB SXM	192	FP16	117.2 est.	Yes	0.003
RTX 3080 10GB	10	Q4	116.6 est.	No	0.167
A100 80GB SXM4	80	Q4	108.6 est.	Yes	0.007
RTX 5090 32GB	32	Q4	95.4 est.	Yes	0.048
MI300X 192GB	192	FP16	77.6 est.	Yes	0.005
H200 141GB SXM5	141	FP16	70.3 est.	Yes	0.002
Arc B570 10GB	10	Q4	58.3 est.	No	0.266
RTX 4090 24GB	24	Q4	53.7 est.	Yes	0.034
RTX 4090D 24GB (China)	24	Q4	53.7 est.	Yes	0.034
RTX 3090 Ti 24GB	24	Q4	53.7 est.	Yes	0.027
RTX 5080 16GB	16	Q4	51.1 est.	Yes	0.051
RX 7900 XTX 24GB	24	Q4	51.1 est.	Yes	0.051
RTX 6000 Ada 48GB	48	Q4	51.1 est.	Yes	0.008
RTX 3090 24GB	24	Q4	49.8 est.	Yes	0.033
H100 80GB SXM5	80	FP16	49.1 est.	Yes	0.002
Gaudi 3 128GB	128	FP16	48.0 est.	Yes	0.004
RTX 5070 Ti 16GB	16	Q4	47.7 est.	Yes	0.064
L40S 48GB	48	Q4	46.0 est.	Yes	0.006
RTX 5060 8GB	8	Q4	44.0 est.	No	0.147
RTX 5060 Ti 8GB	8	Q4	44.0 est.	No	0.116
RTX 3070 8GB	8	Q4	44.0 est.	No	0.088
Mac Studio M3 Ultra 96GB	96	Q4	43.6 est.	Yes	0.011
Mac Studio M2 Ultra 192GB	192	Q4	42.6 est.	Yes	0.006
RX 7900 XT 20GB	20	Q4	42.6 est.	Yes	0.047
RTX A6000 48GB	48	Q4	40.9 est.	Yes	0.009
RTX 4080 Super 16GB	16	Q4	39.2 est.	Yes	0.039
RTX 4070 Ti Super 16GB	16	Q4	35.8 est.	Yes	0.045
RTX 5070 12GB	12	Q4	35.8 est.	Yes	0.065
RX 9070 16GB	16	Q4	34.1 est.	Yes	0.062
RX 9070 XT 16GB	16	Q4	34.1 est.	Yes	0.057
RX 7800 XT 16GB	16	Q4	33.2 est.	Yes	0.067
RTX 4090 24GB	24	FP16	32.6 est.	No	0.02
RTX 4090D 24GB (China)	24	FP16	32.6 est.	No	0.02
RTX 3090 Ti 24GB	24	FP16	32.6 est.	No	0.016
RX 7900 XTX 24GB	24	FP16	31.1 est.	No	0.031
RX 7900 GRE 16GB	16	Q4	30.7 est.	Yes	0.056
RTX 3090 24GB	24	FP16	30.3 est.	No	0.02
A100 80GB SXM4	80	FP16	29.9 est.	Yes	0.002
Arc A770 16GB	16	Q4	29.8 est.	Yes	0.085
RTX 4070 Ti 12GB	12	Q4	29.5 est.	Yes	0.037
MacBook Pro M4 Max 128GB	128	Q4	29.1 est.	Yes	0.007
RTX 4060 Ti 8GB	8	Q4	28.3 est.	No	0.071
RX 7600 8GB	8	Q4	28.3 est.	No	0.105
RTX 4070 12GB	12	Q4	26.8 est.	Yes	0.045
RTX 4070 Super 12GB	12	Q4	26.8 est.	Yes	0.045
RTX 4060 8GB	8	Q4	26.7 est.	No	0.089
RTX 5090 32GB	32	FP16	26.2 est.	Yes	0.013
Arc B580 12GB	12	Q4	24.3 est.	Yes	0.098
RTX 5060 Ti 16GB	16	Q4	23.9 est.	Yes	0.056
RX 7700 XT 12GB	12	Q4	23.0 est.	Yes	0.051
MacBook Pro M3 Max 128GB	128	Q4	21.3 est.	Yes	0.005
RTX 3060 12GB	12	Q4	19.2 est.	Yes	0.058
RX 7900 XT 20GB	20	FP16	18.0 est.	No	0.02
T4 16GB	16	Q4	17.0 est.	Yes	0.009
RTX 4060 Ti 16GB	16	Q4	15.3 est.	Yes	0.031
RX 7600 XT 16GB	16	Q4	15.3 est.	Yes	0.047
Mac mini M4 Pro 64GB	64	Q4	14.5 est.	Yes	0.007
RTX 6000 Ada 48GB	48	FP16	14.1 est.	Yes	0.002
RTX 5080 16GB	16	FP16	13.8 est.	No	0.014
RTX 5070 Ti 16GB	16	FP16	12.9 est.	No	0.017
L40S 48GB	48	FP16	12.7 est.	Yes	0.002
Mac Studio M3 Ultra 96GB	96	FP16	12.0 est.	Yes	0.003
Mac Studio M2 Ultra 192GB	192	FP16	11.7 est.	Yes	0.002
RTX A6000 48GB	48	FP16	11.2 est.	Yes	0.002
RTX 4080 Super 16GB	16	FP16	10.6 est.	No	0.011
RTX 4070 Ti Super 16GB	16	FP16	9.7 est.	No	0.012
RX 9070 16GB	16	FP16	9.2 est.	No	0.017
RX 9070 XT 16GB	16	FP16	9.2 est.	No	0.015
RX 7800 XT 16GB	16	FP16	9.0 est.	No	0.018
RX 7900 GRE 16GB	16	FP16	8.3 est.	No	0.015
Arc A770 16GB	16	FP16	8.1 est.	No	0.023
MacBook Pro M4 Max 128GB	128	FP16	8.0 est.	Yes	0.002
RTX 5060 Ti 16GB	16	FP16	6.4 est.	No	0.015
Mac mini M4 32GB	32	Q4	6.4 est.	Yes	0.006
MacBook Pro M3 Max 128GB	128	FP16	5.9 est.	Yes	0.001
RTX 5070 12GB	12	FP16	5.4 est.	No	0.01
T4 16GB	16	FP16	4.6 est.	No	0.002
RTX 4070 Ti 12GB	12	FP16	4.5 est.	No	0.006
RTX 3080 10GB	10	FP16	4.3 est.	No	0.006
RTX 4070 12GB	12	FP16	4.1 est.	No	0.007
RTX 4060 Ti 16GB	16	FP16	4.1 est.	No	0.008
RTX 4070 Super 12GB	12	FP16	4.1 est.	No	0.007
RX 7600 XT 16GB	16	FP16	4.1 est.	No	0.012
Mac mini M4 Pro 64GB	64	FP16	4.0 est.	Yes	0.002
Arc B580 12GB	12	FP16	3.7 est.	No	0.015
RX 7700 XT 12GB	12	FP16	3.5 est.	No	0.008
RTX 3060 12GB	12	FP16	2.9 est.	No	0.009
Arc B570 10GB	10	FP16	2.1 est.	No	0.01
Mac mini M4 32GB	32	FP16	1.8 est.	Yes	0.002
RTX 5060 8GB	8	FP16	1.6 est.	No	0.005
RTX 5060 Ti 8GB	8	FP16	1.6 est.	No	0.004
RTX 3070 8GB	8	FP16	1.6 est.	No	0.003
RTX 4060 8GB	8	FP16	1.0 est.	No	0.003
RTX 4060 Ti 8GB	8	FP16	1.0 est.	No	0.003
RX 7600 8GB	8	FP16	1.0 est.	No	0.004

Fit checks

• RTX 5090 32GB — fits · ≈95.4 tok/s Q4 est.
• RTX 3090 Ti 24GB — fits · ≈53.7 tok/s Q4 est.
• RTX 4090 24GB — fits · ≈53.7 tok/s Q4 est.
• RTX 5080 16GB — fits · ≈51.1 tok/s Q4 est.
• RTX 6000 Ada 48GB — fits · ≈51.1 tok/s Q4 est.
• RX 7900 XTX 24GB — fits · ≈51.1 tok/s Q4 est.
• RTX 3090 24GB — fits · ≈49.8 tok/s Q4 est.
• RTX 5070 Ti 16GB — fits · ≈47.7 tok/s Q4 est.
• L40S 48GB — fits · ≈46.0 tok/s Q4 est.
• Mac Studio M3 Ultra 96GB — fits · ≈43.6 tok/s Q4 est.
• Mac Studio M2 Ultra 192GB — fits · ≈42.6 tok/s Q4 est.
• RX 7900 XT 20GB — fits · ≈42.6 tok/s Q4 est.

12 popular retail GPUs; every row in the table above also links its Fits? verdict to the full fit check.